10月19日晚上，微博账号"蚁工厂"发了条短消息：智谱刚发了一篇新论文，唐杰老师也是作者之一，地址是 arXiv:2610.21459。论文标题叫《Can Visual Generation Expand What Unified Multimodal Models Know?》——图像生成能不能扩大统一多模态模型的知识？真正让技术圈骚动的是论文里一个从没露过面的名字：GLM-Omni。论文标注它是智谱的内部实验模型（in-house），没有公开权重，也没有复现入口。六天后涟漪荡开：10月25日，知乎上前后脚出现两个相关问题，10月26日仍有长文回答在持续更新。微博知乎
一篇论文，测的是"模型到底知不知道"
这项研究来自清华大学与智谱（Z.AI）的联合团队，AI科技评论称唐杰为论文通讯作者。它想回答的问题是：当一个模型同时会"看图"和"画图"，图像生成训练学到的新知识，能不能被它的语言侧调用出来？研究者给这种"能不能用文字答出来"的能力起了个名字：文本可及性（textual accessibility）。知乎
难点在于怎么证明一个知识确实来自这次的图像训练，而不是模型早就从文本语料里背过。团队的解法是造一个虚构世界 MagicWorld：7 类知识——颜色、计数、形状、大小、空间、号码、文字，每类 50 个虚构实体，共 350 个知识单元，配套 8552 张图。关键操作是"泄漏隔离"：训练配文只写实体名和场景，答案（比如球衣号码）只出现在图片像素里，caption 绝不提。训练结束后，不给任何图，纯文字提问。答对了，才能说知识从图像通道进了模型、又能从文字通道取出来。这套协议被命名为 KTP（Knowledge Transfer Probing，知识迁移探测）。知乎
最扎眼的发现：画得出，说不出
实验对比了三个统一多模态模型：BAGEL（理解与生成放在相对独立的专家分支）、商汤 SenseNova-U1（直接建模像素），以及首次现身的 GLM-Omni——它由 GLM-4.1V-Thinking 的预训练基座初始化，接入基于 X-Omni 的离散图像 Tokenizer。知乎
直接迁移条件下的差距相当刺眼。按 BAGEL、GLM-Omni、SenseNova-U1 的顺序，平均视觉正确率分别是 31.43%、54.00%、61.14%，而纯文字问答只有 8.86%、14.57%、20.00%。更极端的是号码任务：GLM-Omni 能把指定号码正确画在球衣上的比例做到 72%，研究人员拿走图片改用文字问号码，正确率只剩 2%；SenseNova-U1 的号码视觉正确率高达 88%，纯文字回答是 0%。论文里的案例更戏剧化：一个虚构球员，训练图里的球衣号码是 31，模型能把它画对，开口却答 69。知乎知乎
为什么"会画"不等于"会知道"？因为生成训练的目标是根据提示重建画面，只要实体和属性的关联能帮助还原图片就够了；而文字回答还要沿着语言输出路径找到对应属性、把它变成词。参数共享不代表两条通路已经打通。KTP 还把"画对/画错"与"文字答对/答错"做了配对分析，发现 GLM-Omni 在文本对齐条件下甚至出现反常：画对的知识单元里文字答对率只有 6.90%，画错的单元里反而有 18.18%。换句话说，只测生成分数的评测报告，可能系统性高估了模型"知道"的程度。
三条"打通"路径，结果并不整齐
论文试了三条补票路线。第一条 Textual Alignment，给一半实体补文字问答样例、留另一半裸考：BAGEL 从 8.86% 升到 15.43%，SenseNova-U1 从 20.00% 升到 28.00%，GLM-Omni 反而从 14.57% 降到 12.57%。画图和答题各练各的，模型练会了两个技能，却没学会在两者之间接线。知乎
第二条是图文交错对齐（Interleaved Image–Text Alignment）：把"生成球衣→读出号码→给出答案"串进同一条训练序列，让图像损失和语言监督在同一个实体上相遇。GLM-Omni 的平均文字正确率从 12.57% 提到 26.86%，形状任务从 12% 升到 64%，空间排列从 0% 升到 40%。为验证提升真的来自图像监督而非多看了一段文字，团队做了消融：只屏蔽交错样本里的图像损失，正确率立刻从 26.86% 跌回 13.71%。知乎知乎
第三条最实用：Visual CoT，回答之前先生成目标图像、再看图作答。GLM-Omni 平均正确率从 26.86% 升到 41.14%，三个模型在号码任务上都从 0% 拉起到 4%、36%、20%。开头那个答 69 的 SenseNova-U1，先画球衣再读图，改答出了正确的 31。但天下没有免费的接线：先画再答意味着额外的算力与延迟，书籍标题这类复杂字符任务在 Visual CoT 下依然没有改善，图画错了还可能把答案带偏。知乎
GLM-Omni 就是下一代旗舰吗？社区意见分裂
论文一出，社交平台马上有人把 GLM-Omni 与传闻中的 GLM-5.5 联系起来。但知乎上讨论量最大的回答之一（赞同41、浏览6631）明确泼了冷水：“GLM-Omni 是 5.5 内部版"的猜测"不太靠谱”——论文从未披露两者的版本对应关系。早期关注此事的技术用户"恋猫"的判断更克制：GLM-Omni 不会是社区一直在传的 GLM-5.5，但方向上大概率有一定关系，因为 GLM-Omni 是基于 GLM-4.1V-Thinking 的预训练基座初始化的。知乎知乎
期待不是没有理由。智谱的匿名模型传统刚好提供了剧本：8 月底，社区疯传的匿名模型"牛来"（Ox-Alpha）被智谱认领，正式开源为原生多模态的 GLM-5.3-Flash；今年 7 月唐杰向网友征求 GLM 5.3 建议时，评论区齐刷刷喊的是"要视觉"。连已上线的 GLM-5.3-Flash 都原生多模态了，论文里这个读图生图一体的 GLM-Omni，很难不让外界联想下一代旗舰。AI科技评论那句话点得很准：论文给出了技术底座和实验结果，但它会不会进产品，仍需公开信息验证。评论区那句玩梗——“模型总是在没发行和匿名的时候是最强的”——说的就是这种等待的滋味。知乎微博知乎
看完这篇论文，你会用不同的姿势测多模态产品
对多模态兴趣圈的用户，这篇论文至少留下四件能带走的东西。第一，评估口径：如果你关心的是属性问答（商品图找相似、图纸问答、截图检索），别只看生成效果，保留一组不附图片的纯文字问题单独验收——"图里正确、文字错误"的知识单元真实存在。第二，先画再答（Visual CoT）是一条可借鉴的工程路径，但要连同额外延迟和成本一起测，收益未必覆盖所有知识类型。第三，观察信号：GLM-Omni 会不会像 Ox-Alpha 那样被认领命名、MagicWorld/KTP 这类受控评测会不会进入第三方基准（论文数据集和协议已开源，判图用 VLM 未具名、结论限于合成虚构世界，外推到自然图像还要打折）、以及社区爆料的下一代旗舰（传闻 3.5 万亿参数）发布节奏。第四，时间不空：至少现在能用的多模态选项里，GLM-5.3-Flash 开源且原生多模态，智谱夜间还放过免费额度的羊毛，想亲手复现"会画不会说"现象的，现在就可以拿它开刀。知乎哔哩哔哩
证据、反证、再下结论——这篇论文值得记住的，也许不是 GLM-Omni 这个名字，而是它把"模型知道什么"变成了一种可以分通道读数的东西。
